/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
2 мар 2022

sepformer-wham-enhancement

Обработка аудиоАудио → аудио4 профессии

SepFormer от SpeechBrain очищает речь от окружающего шума и реверберации в аудиозаписях.

141скачиваний за 30 дней34лайкавеса обновлены25 фев 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SepFormer для подавления шума в речи разработан командой SpeechBrain и обучен на датасете WHAM! с частотой дискретизации 8 кГц. WHAM! добавляет к смесям WSJ0-Mix окружающий шум и реверберацию. Модель принимает аудио и выдаёт очищенное аудио, помогая улучшить разборчивость речи в шумных записях.

В репозитории указаны результаты на тестовом наборе WHAM!: SI-SNR 14,35 дБ и PESQ 3,07. Модель реализована на PyTorch и предназначена для применения через SpeechBrain. Разработчики не гарантируют аналогичное качество на других наборах данных. Лицензия — Apache-2.0.

Сценарии применения

  • подавление фонового шума в речевых записях
  • улучшение разборчивости речи в шумной среде
  • очистка аудиозаписей с реверберацией
  • предварительная обработка речи перед распознаванием

Ограничения

Качество на других наборах данных может отличаться от результатов на WHAM!, и разработчики не гарантируют сохранение указанных показателей. Обучающий скрипт в карточке описан как находящийся в разработке.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SepFormer trained on WHAM! for speech enhancement (8k sampling frequency)

This repository provides all the necessary tools to perform speech enhancement (denoising) with a SepFormer model, implemented with SpeechBrain, and pretrained on WHAM! dataset with 8k sampling frequency, which is basically a version of WSJ0-Mix dataset with environmental noise and reverberation in 8k. For a better experience we encourage you to learn more about SpeechBrain. The given model performance is 14.35 dB SI-SNR on the test set of WHAM! dataset.

ReleaseTest-Set SI-SNRTest-Set PESQ
01-12-2114.353.07

Install SpeechBrain

First of all, please install SpeechBrain with the following command:

pip install speechbrain

Please notice that we encourage you to read our tutorials and learn more about SpeechBrain.

Perform speech enhancement on your own audio file

from speechbrain.inference.separation import SepformerSeparation as separator
import torchaudio

model = separator.from_hparams(source="speechbrain/sepformer-wham-enhancement", savedir='pretrained_models/sepformer-wham-enhancement')

# for custom file, change path
est_sources = model.separate_file(path='speechbrain/sepformer-wham-enhancement/example_wham.wav') 

torchaudio.save("enhanced_wham.wav", est_sources[:, :, 0].detach().cpu(), 8000)

Inference on GPU

To perform inference on the GPU, add run_opts={"device":"cuda"} when calling the from_hparams method.

Training

The training script is currently being worked on an ongoing pull-request.

We will update the model card as soon as the PR is merged.

You can find our training results (models, logs, etc) here.

Limitations

The SpeechBrain team does not provide any warranty on the performance achieved by this model when used on other datasets.

Referencing SpeechBrain

@misc{speechbrain,
  title={{SpeechBrain}: A General-Purpose Speech Toolkit},
  author={Mirco Ravanelli and Titouan Parcollet and Peter Plantinga and Aku Rouhe and Samuele Cornell and Loren Lugosch and Cem Subakan and Nauman Dawalatabad and Abdelwahab Heba and Jianyuan Zhong and Ju-Chieh Chou and Sung-Lin Yeh and Szu-Wei Fu and Chien-Feng Liao and Elena Rastorgueva and François Grondin and William Aris and Hwidong Na and Yan Gao and Renato De Mori and Yoshua Bengio},
  year={2021},
  eprint={2106.04624},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  note={arXiv:2106.04624}
}

Referencing SepFormer

@inproceedings{subakan2021attention,
      title={Attention is All You Need in Speech Separation}, 
      author={Cem Subakan and Mirco Ravanelli and Samuele Cornell and Mirko Bronzi and Jianyuan Zhong},
      year={2021},
      booktitle={ICASSP 2021}
}

@article{subakan2023exploring,
  author={Subakan, Cem and Ravanelli, Mirco and Cornell, Samuele and Grondin, François and Bronzi, Mirko},
  journal={IEEE/ACM Transactions on Audio, Speech, and Language Processing}, 
  title={Exploring Self-Attention Mechanisms for Speech Separation}, 
  year={2023},
  volume={31},
  pages={2169-2180},
}

About SpeechBrain

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели SpeechBrain требуют отдельного рантайма.

Ревизия весов
ecc66bd

0 моделей